Ming-Omni TTS TTS
A compact 0.5B omni-modal speech model with near-CD-quality 44.1kHz output and zero-shot voice cloning.
Zawiń tekst w tagi SSML dla precyzyjnej kontroli:
<speak><prosody rate="slow">Slow speech</prosody></speak>
Tagi wybrany model rozumie — kliknij aby usunąć jeden do swojego tekstu, gdzie się to dzieje:
Model ten czyta tekst zwykły, więc w linii tagi są ignorowane. Dla emocji na tag, przełącz na model wyrażony jak Orfeus lub Bark.
Definiuj własny wymówki (słowo = wymówka):
O tematie Ming-Omni TTS
Ming-omni-tts-0.5B by inclusionAI is a compact omni-modal speech model built on the BailingMM dense backbone with a patch-by-patch flow-matching audio decoder. Despite its small 500M-parameter size, it outputs 44.1kHz audio approaching CD quality and supports zero-shot voice cloning from a reference of three seconds or more. It includes built-in emotion, dialect, and even background-music control driven by JSON instructions, and is notably stable — reporting a 0.83% word error rate on Chinese benchmarks. With Apache 2.0 licensing and modest 3GB VRAM needs, it fits high-fidelity bilingual narration, emotion-controlled voice acting, and Chinese audiobook production.
Najlepsze dla: High-fidelity bilingual narration, emotion-controlled voice acting, Chinese audiobook content
Przeglądaj wszystkie Ming-Omni TTS głosyNa jedno spojrzenie
- Rozwijacz
- inclusionAI
- Licencja
- Apache 2.0
- Poziom szczelności
- free
- Prędkość
- medium
- Klonowanie głosu
- Tak.
- Języki
- English, Chinese
- Maksymalna liczba znaków
- 1000